从键盘随机输入信源X的分布及条件概率，用Matlab编程实现H(X), H(Y), H(XY), H(X|Y), H(Y|X)的计算。 比如： 输入信源X的分布为0.5,0.5，转移概率为[0.98,0.02;0.2,0.8] 求5个熵函数的值。

在MATLAB中，我们可以利用内置的`entropy`函数来计算信息熵。首先，我们需要定义信源X的分布和条件概率矩阵。这里是一个简单的示例，假设信源X有两状态，分布P_X为0.5和0.5，而转移矩阵（表示条件概率）P_Y_given_X为[0.98, 0.02; 0.2, 0.8]。

% 定义信源X的分布
P_X = [0.5, 0.5];

% 定义条件概率矩阵 P_Y | X
P_Y_given_X = [0.98, 0.02; 0.2, 0.8];

% 计算H(X)
H_X = entropy(P_X);

% 计算联合熵H(XY)
H_XY = entropy([P_X; sum(P_Y_given_X, 2)]); % 因为Y的概率等于X的概率加上行向量的概率之和

% 计算H(Y|X)
conditional_probs = P_Y_given_X ./ sum(P_Y_given_X, 2); % 后一列是条件概率
H_Y_given_X = conditional_entropy(conditional_probs);

% 注意 `entropy` 函数对于连续分布需要提供概率密度函数而不是离散概率
% 如果X和Y不是二进制的，那么你需要先将它们转换为离散概率

% 由于MATLAB中没有直接的`conditional_entropy`函数，我们使用`joint_entropy`函数并减去各自的信息熵来获得条件熵
H_Y = joint_entropy(P_Y_given_X);
H_Y_given_X = H_Y - H_X;

% 输出结果
disp(['H(X): ' num2str(H_X)])
disp(['H(Y|X): ' num2str(H_Y_given_X)])
disp(['H(Y): ' num2str(H_Y)])
disp(['H(XY): ' num2str(H_XY)])

注意，这个例子假设`conditional_entropy`函数不存在，实际的MATLAB中你可以直接使用`entropy`函数处理条件概率。如果你遇到这样的函数，记得查阅MATLAB文档或寻找合适的库来替换。